8 نقش کلیدی برای موفقیت پروژه های هوش مصنوعی

هوش مصنوعی فرصت‌های زیادی را برای کسب ارزش تجاری فراهم می‌کند و اگر به‌درستی از آن استفاده شود، می‌تواند به بهبود فروش و بهینه‌سازی عملیات کمک کند و همچنین باعث می‌شود کارکنان زمان خود را  بر روی کارهایی باارزش‌تری بگذارند. در کنار این‌ها داشتن پروژه های هوش مصنوعی می‌تواند به کاهش هزینه‌ها و توانمندسازی سازمان‌ها برای توسعه محصولات جدید و دستیابی به بازارهای بکر کمک کند.

طبق نظرسنجی اخیر Deloitte ،55 درصد از مدیران حوزه آی‌تی می‌گویند که شرکت‌های آن‌ها در سال 2018 شش پروژه هوش مصنوعی را به صورت آزمایشی شروع کرده‌اند، درحالی‌که این رقم در سال 2017، 35 درصد بوده است. بیش از یک‌سوم آن‌ها مبلغی فراتر از 5 میلیون دلار در فناوری‌های شناختی سرمایه‌گذاری کرده‌اند و 56 درصد آن‌ها انتظار دارند هوش مصنوعی طی سه سال آینده شرکت‌هایشان را متحول کند.

اما رسیدن به این نقطه آن‌چنان آسان نیست و مهارت‌های کلیدی خاصی لازم است که دستیابی به آن‌ها دشوار است. در اینجا و با استناد به تجربه کسانی که این مسیر را پیش ‌از این پیموده‌اند نگاهی می‌اندازیم به هشت نقش اصلی برای موفقیت پروژه های هوش مصنوعی.

1. محققان هوش مصنوعی

ممکن است برای بسیاری از شرکت‌ها درگیرشدن در کارهای تحقیقاتی زیان‌بخش باشد. به‌هرحال محققان هوش مصنوعی غالباً مدرک دکترای دارند و تحقیقات بنیادی انجام می‌دهند که می‌تواند روزی منجر به پیشرفتی عظیم در توانایی در تفکر ماشین‌ها شود.

به‌علاوه، کارهای محققان هوش مصنوعی به معنای رقابت با دانشگاه‌ها و غول‌های فناوری مانند گوگل و مایکروسافت برای راه‌اندازی یک کسب‌وکار بزرگ است که ممکن است فوراً مزایای تجاری را به همراه نیاورد، اما همیشه این امیدواری وجود دارد که وقتی آن‌ها به یک پیشرفت برسند تحول بزرگی ایجاد کنند. این وعده به‌تنهایی ممکن است بیانگر تقاضای زیاد برای محققان هوش مصنوعی باشد. طبق نظرسنجی Deloitte ،30 درصد از مدیران حوزه آی‌تی، یافتن محققان هوش مصنوعی را جزو اولویت‌های اصلی خود می‌دانند.

مدیر بخش تجزیه‌وتحلیل و ریسک داده‌ها در Deloitte  می‌گوید: “مردم یک هدف روشن را می‌خواهند. اما آیا این هدف درخشان تفاوتی در آنچه واقعاً دنبال آن هستند ایجاد خواهد کرد؟ مگر اینکه شرکتی بخواهد فیس بوک بعدی باشد.

او می‌افزاید بسیاری از مدیران مالی که تصمیمات سرمایه‌گذاری را می‌گیرند، تفاوت تحقیقات هوش مصنوعی و کاربردهای هوش مصنوعی را متوجه نمی‌شوند. با این‌حال، برای آن دسته از شرکت‌هایی که هوش مصنوعی برای تجارت اصلی آن‌ها حیاتی است، تحقیق نه به‌مثابه یک کالای لوکس بلکه به چشم یک ضرورت دیده می‌شود.

به‌عنوان‌مثال AppTek حدود 30 سال پیش به‌عنوان یک شرکت تشخیص گفتار تأسیس شد. در حال حاضر تمامی حوزه پردازش گفتار توسط هوش مصنوعی دچار دگرگونی شده است و AppTek مجبور بوده برای به‌روز بودن  روی تحقیقات، سرمایه‌گذاری کند. به‌عنوان‌مثال، آخرین تحقیق منتشرشده آن‌ها بر شناسایی سخنرانان مختلف در طول یک مکالمه متمرکز است. مایک ورونیس مدیر ارشد درآمد شرکت می‌گوید: “این یک نیاز واقعی تجاری است، ما این کار را برای حل مشکلات و افزایش توانایی‌ها انجام دادیم.

2. توسعه‌دهندگان نرم‌افزار هوش مصنوعی

توسعه‌دهندگان نرم‌افزار هوش مصنوعی روی آخرین پیشرفت‌های یادگیری عمیق یا شبکه های مولد تخاصمی تحقیقات بنیادی را انجام می‌دهند و آن‌ها را به محصولات قابل‌استفاده تبدیل می‌کنند. برخی از شرکت‌ها به‌جای توسعه رویکردهای خود درزمینه هوش مصنوعی ترجیح می‌دهند این کار را به شرکت‌های ارائه دهنده هوش مصنوعی واگذار کنند. اما حتی اگر شرکت‌ها از تکنیک‌های مشهور هوش مصنوعی استفاده کنند، بازهم ممکن است بخواهند سیستم‌عامل‌های خود را بسازند. این موضوع تا حدی تقاضای زیاد برای توسعه‌دهندگان نرم‌افزار هوش مصنوعی  را توضیح می‌دهد، زیرا اولویت اصلی 28 درصد از پاسخ‌دهندگان به نظرسنجی Deloitte را تشکیل می‌داد.

یک دلیل برای ساختن سیستم‌عامل شخصی، مشکل “جعبه سیاه” چارچوب‌های فعلی هوش مصنوعی است. بدون توانایی دیدن کد منبع نرم‌افزارهای از پیش‌ساخته شده، برخی از شرکت‌ها ، به‌ویژه در حوزه‌های  نظام‌مند مانند امور مالی یا بهداشت و درمان  ترجیح می‌دهند خط‌مشی خود را دنبال کنند.

کتیال می‌گوید: “شاید من باید خودم چیزی را توسعه دهم، جایی که می‌دانم چه چیزی ساخته‌ام، کد را خودم دارم  و همه‌چیز را در مورد آن کنترل می‌کنم. او می‌افزاید درحال حاضر  این‌ یک بحث بسیار رایج است. وقتی آن‌ها نرم‌افزار هوش مصنوعی  خود را بسازند می‌توانند درک بهتری از سوگیری ابزارها داشته باشند.

این در مورد AppTek نیز صدق می‌کند. به‌جای داشتن یک سیستم تجاری جعبه سیاه که به‌راحتی قابل تنظیم نیست، محصولی به دست می‌آید که علاوه برداشتن ویژگی‌های منحصربه‌فرد می‌تواند در صورت نیاز نیز سفارشی  شود. ورونیس می‌گوید: ما می‌توانیم موتور تشخیص گفتار خود را سازگار  کنیم، آموزش دهیم و به‌طور مداوم بهبود ببخشیم.

3. دانشمندان داده 

کتیال می‌گوید: وقتی شرکت‌ها به فکر غلبه بر چالش‌های هوش مصنوعی هستند، معمولاً به فکر ایجاد الگوریتم‌های جدید هوش مصنوعی نیز می‌افتند. اما آن‌ها احتمالاً با بهبود داده‌های خود ارزش بیشتری کسب می‌کنند. او می‌گوید: این یکی از موانع معمول بر سر راه هوش مصنوعی است.

به گفته کاتیال، این  موضوع باعث شده تا دانشمندان داده مهم‌ترین نقش را در هوش مصنوعی داشته باشند. 24 درصد از پاسخ‌دهندگان گفتند این دانشمندان، داده‌های یک شرکت را برای استفاده در سیستم‌های هوش مصنوعی آماده می‌کنند. آن‌ها همچنین داده‌های یک شرکت را برای دستیابی به اهداف شرکت شناسایی می‌کنند. این  داده‌ها ممکن است در داخل شرکت تولیدشده باشند یا از اشخاص ثالث جمع‌آوری شوند. دانشمندان داده همچنین می‌توانند داده‌های ازدست‌رفته را تشخیص دهند، کشف کنند کجا داده‌ها به میزان کافی وجود ندارد و تشخیص دهند کدام مجموعه داده دارای سوگیری است  یا باید از رده خارج شوند.

آن‌ها همچنین الگوریتم‌های مناسب برای استفاده در دیتاست‌های خود را شناسایی می‌کنند، آن الگوریتم‌ها را آموزش می‌دهند، تنظیم می‌کنند و برای تأیید اعتبار آن‌ها با متخصصان موضوع کار می‌کنند. کتیال می‌گوید: در زمان‌های گذشته آن‌ها به عنوان آماردان‌های حرفه‌ای فعالیت می‌کردند. آن‌ها هم در تحقیق هوش مصنوعی و هم در نرم‌افزار هوش مصنوعی نقش دارند.

دانشمندان داده در قلب پروژه های هوش مصنوعی Sumitomo Mitsui Banking Corp هستند. SMBC، یک شرکت مالی جهانی و دومین بانک بزرگ ژاپن ازنظر دارایی است که در حال استفاده از هوش مصنوعی برای بهبود خدمات مشتری در مراکز داده خود است. این کار به‌منظور سهولت یافتن اطلاعات برای کارمندان و شناسایی بهتر مشتریان بالقوه انجام می‌شود

فونایاما مدیر اجرایی بانک می‌گوید، این بانک در حال حاضر دارای یک بخش مدیریت داده و دانشمندان داده است. در ابتدا دانشمندان داده به‌صورت دستی موارد را تنظیم می‌کردند، سپس نقطه داده‌های مرتبط را شناسایی می‌کردند و درنهایت الگوریتم‌هایی برای تجزیه‌وتحلیل داده‌ها ایجاد می‌کردند. به‌عنوان‌مثال ، هنگام امتیازدهی به مشتریان بالقوه جدید، دانشمندان داده‌ مجبور بودند هزاران عامل را بررسی کنند تا ببینند آیا آن مشتری سودآور است یا نه. این فرآیند برای هر پرونده دو تا سه ماه طول می‌کشید و به 10 تا 15 مورداستفاده در سال محدود می‌شد.

SMBC اکنون با استفاده از فناوری dotData برای کمک به شناسایی نقطه داده‌هایی  که برای ایجاد الگوریتم‌های جدید بسیار مفید هستند، توانسته است مدت‌زمان ایجاد یک مدل جدید را به چند ساعت کاهش دهد. این امر باعث افزایش تعداد رسیدگی‌ها به حدود 100 مورد در سال شده است و این امکان را فراهم می‌کند تا هوش مصنوعی در حوزه‌هایی بیشتری ازجمله مالی و خزانه‌داری به کار گرفته شود.

فونایاما می‌گوید: ما در حال بهبود عملکرد کل گروه هستیم. او می‌گوید دانشمندان داده‌ها هنوز برای این فرآیند بسیار مهم هستند، اما آن‌ها به‌جای انجام کارهای تکراری مهندسی، در حال حاضر به حوزه‌های گسترده‌تری از موارد استفاده تجاری از فناوری هوش مصنوعی می‌پردازند.

4. طراحان تجربه کاربری

همان‌طور که فناوری هوش مصنوعی در محصولات و خدمات بیشتری مورداستفاده قرار می‌گیرد طراحی تجربه کاربر نیز  اهمیت بیشتری پیدا می‌کند. امروزه افراد ترجیح می‌دهند به‌جای باز کردن منوها یا کلیک کردن روی دکمه‌ها ، بتوانند سؤالات خود را به زیان ساده‌ای بپرسند ، یا اینکه برنامه‌ها آنچه را که آن‌ها لازم دارند متوجه شوند.

براندون ابکن، مدیر ارشد فناوری در Insight  Tempe “ما همیشه فکر می‌کردیم تجربه کاربر محدود به تجربه تحت وب یا موبایل است. “در دنیای هوش مصنوعی، ما با گفتگوی با دستیار هوشمند Siri یا Cortana، با استفاده از صدا ارتباط برقرار می‌کنیم.” وی می‌گوید این نوع کاملاً جدیدی از طراحی تجربه کاربری را ایجاد کرده است و ما نیز هنگام ایجاد ابزارهای جدید مجهز به هوش مصنوعی باید این موضوع را مدنظر قرار دهیم.

کتیال می‌گوید: ارتباط بین موارد مجهز به هوش مصنوعی و تجربه انسانی در حال پیشرفت است. من فکر می‌کنم این انقلاب بعدی است، انقلابی که ما در حال تجربه آن هستیم.

با ایجاد ابزارهای جدید، افراد باید بتوانند از آن‌ها استفاده کنند و در این راه ممکن است نیاز به انواع جدیدی از رابط‌های کاربری و همچنین همراه شدن با تغییرات در نحوه ساختار یک برنامه یا فرآیندهای تجاری احساس شود. وی می‌گوید برای یافتن افرادی با این مهارت‌ها، شرکت‌ها باید به دنبال متخصصان خدمات مشتری باشند.

5. کارشناسان مدیریت تغییر

کتیال می‌گوید، مدیریت تغییر تنها جنبه‌ای است که در هوش مصنوعی مورد غفلت قرارگرفته است. این فقط کارمندان سازمان نیستند که از مدیریت تغییر منتفع می‌شوند بلکه کاربران و مشتریان نیز سود می‌برند. این سخت‌ترین کار است. در بنگاه‌های  اقتصادی این حوزه بسیار نادیده گرفته‌شده و ارزشی به آن داده نشده است.

بااین‌وجود، متخصصان مدیریت تغییر ،همچنان مورد تقاضای زیادی قرار می‌گیرند. این‌یک مهارت مهم برای 22 درصد از پاسخ‌دهندگان به نظرسنجی Deloitte است. به گفته Deloitte، پروژه‌های هوش مصنوعی می‌توانند تأثیر زیادی بر دانشمندان داشته باشند، اگر آن‌ها در توسعه راه‌حل مشارکت داده نشوند، ممکن است توصیه‌های هوش مصنوعی را نپذیرند. 63 درصد از مدیران آی‌تی گفتند که شرکت آن‌ها می‌خواهد برای کاهش هزینه‌ها  از پروژه هوش مصنوعی به‌منظور خودکارسازی هرچه بیشتر مشاغل استفاده کند. این امر نیاز به متخصصین مدیریت تغییر را برجسته می‌کند.

6. مدیران پروژه

بسیاری از پروژه های هوش مصنوعی با مشکلاتی روبرو هستند زیرا شرکت‌ها اغلب با همان دقت رایج، پروژه های هوش مصنوعی را مدیریت نمی‌کنند.

39  از پاسخ‌دهندگان Deloitte اذعان کردند داشتن مدیران پروژه‌ای که توانایی پیاده‌سازی و ادغام هوش مصنوعی در نقش‌ها و فرایندهای شرکت را داشته باشند یکی از 3 چالش اصلی آنان است . برای 30 درصد دیگر، مدیرانی که قادر به‌ اندازه‌گیری و اثبات ارزش تجاری هوش مصنوعی باشند از چالش‌های آنان بود. به همین دلیل مارتی یانگ، مدیرعامل Slalom Build می‌گوید یافتن دانشمندان داده و دانشمندان داده‌ای که مهندس نرم‌افزار، طراح رابط کاربری و متخصص امنیت هستند به‌اندازه کافی دشوار است. پروژه‌های هوش مصنوعی شامل تیم پیچیده‌ای از افراد مختلف است.

استیو هرود مدیرعامل General Catalyst Partners که یک شرکت سرمایه‌گذاری خطرپذیر با تمرکز بر استارتاپ‌های با تکنولوژی پیشرفته است، معتقد است: مدیران پروژه برای هماهنگ کردن تمامی این نقش‌ها موردنیاز هستند. علاوه بر این، مدیران پروژه به تیم‌های چند رشته‌ای کمک می‌کنند تا هوش مصنوعی را از یک پروژه آزمایشی وارد چرخه حیات نرم‌افزار کنند. او می‌افزاید: مدیران پروژه و برنامه باید جنبه‌های منحصربه‌فرد مدل‌ها را درک کرده و ما نباید از نقطه‌نظرات آن‌ها چشم‌پوشی کنیم. با پیشرفت این حوزه، نقش‌های گسترده‌تری نیز به وجود می‌آیند که مرتبط خواهند بود، مانند افرادی که سؤالات مربوط به حسابرسی و صدور گواهینامه را مدیریت می‌کنند. این موضوع باعث ایجاد کار بیشتر و به‌تبع آن نیاز بیشتر  به مدیران پروژه خواهد شد.

7. رهبران تجاری برای تبیین نتایج هوش مصنوعی

حتی برای شرکتی که بسیاری از قابلیت‌های هوش مصنوعی خود را برون‌سپاری کرده است، داشتن متخصص هوش مصنوعی در کسب‌وکار خود امری حیاتی است. این مورد در Spoton Logistics نمود عینی پیدا کرد. یک شرکت حمل‌ونقل مستقر در هند که به دنبال استفاده از هوش مصنوعی برای کمک به خدمات مشتری، تجزیه‌وتحلیل احساسات و خودکارسازی بخش مالی بود. به‌عنوان‌مثال یکی از موارد استفاده، حل مشکل آدرس از مبدا تا مقصد بود.

ساتیا پال رئیس مهندسی بازرگانی این شرکت می‌گوید: “آدرس‌های هند استاندارد نیستند. این وضعیت زمانی بدتر می‌شود که شرکت در حال ارسال بار به آدرس‌هایی باشد که دقیق نیستند. درنتیجه امکان برنامه‌ریزی مرکزی و استفاده از وسایل نقلیه از بین می‌رود.” این شرکت تصمیم گرفت به‌جای ساختن دپارتمان داخلی هوش مصنوعی، بیشتر کارهای مربوطه را به یک شرکت دیگر بسپارد. بااین‌حال، رهبران تجاری که برای تفسیر نتایج هوش مصنوعی موردنیاز بودند، در تیم داخلی شرکت حضور داشتند. وی می‌گوید  آن‌ها از مشکل خاصی که شرکت در تلاش برای حل آن بود آگاهی داشتند و مدل‌ها و چارچوب‌های مختلف هوش مصنوعی را می‌شناختند. به‌عنوان‌مثال  آن‌ها قادر به درک کاربرد مدل‌های طبقه‌بندی در برابر یادگیری تقویتی بودند و تفاوت یادگیری با نظارت و یادگیری بدون نظارت را می‌دانستند. وی می‌گوید: به‌طورکلی  آن‌ها دانش کامپیوتر داشتند و  با پایتون آشنا بودند. تنها نیاز به  برخی از آموزش‌های اضافی ازجمله شرکت در دوره‌های آنلاین مربوط به هوش مصنوعی بود. بدین ترتیب آن‌ها می‌توانستند تعیین کنند کدام روش هوش مصنوعی برای حل یک مشکل خاص مناسب‌تر است.

8. متخصص موضوعی

از آنجا که ابزارهای هوش مصنوعی از پیش‌تولید شده، ممکن است برای موارد دیگر کار نکند، نقش  متخصصان موضوعی برجسته می‌شود. مایکل ریگنی مدیر راه‌حل‌های مشتری در EnergySavvy که یک شرکت نرم‌افزاری است دراین‌باره می‌گوید به‌عنوان‌مثال سیستم‌های توصیه گر محصولات را در نظر بگیرید که معمولاً بر اساس نیاز خرده‌فروشان آنلاین طراحی می‌شوند.

خرده‌فروشان آنلاین داده‌های مربوط به سوابق خرید مشتریان خود را جمع‌آوری می‌کنند و می‌توانند آن را با عادت خرید سایر مشتریان مقایسه کنند. اما خریدهای گذشته برای کسانی که از جای دیگری نیاز خود را برطرف می‌کردند معیارهای مفیدی نیست. در اینجا تخصص شرکت‌هایی مانند EnergySavvy می‌تواند به شما کمک کند.

ریگنی می‌گوید: “ما می‌دانیم که چگونه می‌توان تشخیص داد چه مشتریانی از پروژه‌های بهینه‌سازی مصرف انرژی بهره‌مند می‌شوند، چه میزان سود می‌برند و چه کس دیگری شبیه آن مشتری است و همچنین از آن سود می‌برد.” وی می‌گوید که این به EnergySavvy کمک کرده است تا به مشتریانی مانند NationalGrid در ماساچوست خدمات ارائه دهد.